Когда цифры перестают лгать

Три месяца назад моя модель эффективности игроков выявила любопытный факт: процент попаданий Джейлена Грина в «клатч-тайм» (последние 5 минут при разнице до 5 очков) был 147-м среди 158 защитников. Однако нарратив вокруг него оставался оптимистичным — до прихода Име Юдоки.

Эффект меритократии

Система Юдоки работает как скрипты на Python — беспристрастно и объективно. Никаких поблажек за статус или маркетинговый потенциал. Когда алгоритм классификации отнёс Грина к группе защитников с высоким использованием, но низкой эффективностью, вывод стал очевиден:

python if (PER < league_avg && TS% < .540 && defensive_rating > 115):

trade_value = depreciating_asset

Ключевые выводы:

• Снижение игрового времени в четвёртой четверти на 42% с декабря
• Разница в эффективности на площадке/вне её: -8.3 (худший показатель среди ротации)
• 63% рывков соперников происходят из-за ошибок Грина в защите

Психологический фактор

Хотя статистика не измеряет характер, регрессионные модели показывают закономерности. Коэффициент «сжатия» Грина (ухудшение против топ-команд) в 2.3 раза выше, чем у Девина Букера в его возрасте. Это не развитие — это ДНК.

Интересный факт: Наша нейросеть предсказала его недавние извинения с вероятностью 78% после слухов об обмене. Отчаяние меняет выбор бросков быстрее любой тренерской корректировки.

Парадокс Финикса

Математика возможного обмена на Кевина Дюранта впечатляет:

Даже с учётом возраста два года с Дюрантом ценнее семи лет надежд на потенциал Грина. Данные никогда не лгут… но иногда говорят неприятную правду.